嵌入式裝置，計算資源有限，對演算法的執行時間敏感。
yolov3在tx2上能跑到5fps，但存在偶爾漏檢的情況。yolov3使用darknet。
kcf雖然非常快，但很容易跟丟，對於目標形變（人的姿態變化）、目標移動較快、目標離開場景等情況，效果較差。kcf使用opencv contrib的實現。
detection
使用tensorrt移植yolov3，減少檢測時間。
使用應用場景的資料，訓練yolo。
tracking
改進特徵，加入「人體」特徵，同時要注意特徵計算要很快。
多幀融合**搜尋範圍。
結合的方法，一部分取決於兩個演算法的精度和速度。越好越快，結合的方式可以越簡單。
獲取方法
yolo@rgbd
kcf@rgbd
用pytorch實現yolov3模型
除錯時發現，pytorch版本的**和darknet相差很大。
發現原因：影象預處理時的resize，雖然都使用雙線性插值，darknet自己實現的插值演算法，我使用opencv的resize實現，計算的結果小數點第3位有很大差別，第2位有少許差別。由於輸入不同，網路引數相同，另外網路結構的具體實現，也存在差異，這些共同導致了pytorch**的輸出，和darknet差別巨大。
解決辦法：用pytorch重新訓練yolov3，進行適度的引數調整，使得引數適應移植後的平台。
任何重現或者移植的工作，一定要實現學習過程，才是有意義的復現。
機械人視覺專案 視覺檢測識別 機械人跟隨（16）
跟蹤丟失後再檢測時加上目標特徵匹配，是將第一幀檢測到的目標框中的特徵提取出來，具體可以採用尺度不變特徵sift，surf特徵提取，提取出來的特徵，能否以向量的形式儲存在變數中，再檢測時搜尋影象幀中的待確定目標區域 可能有數個這樣的roi 可以通過計算歐式距離的方式與第一幀影象中的特徵進行匹配，快速排...
機械人視覺專案 視覺檢測識別 機械人跟隨（20）
1.嘗試用tx2外接kinectv1深度相機獲取rgbd影象資訊，傳入到我們的行人檢測 框架中，除錯基於深度相機的行人檢測與跟蹤演算法的效果。首先安裝kinect對應arm處理器的ubuntu驅動程式，libfreenect v2.0 openni v2.2.0.33 nite v2.0.0 安裝l...
訊號處理在機器視覺 機械人視覺與機器視覺
機械人視覺 計算機視覺 影象處理 機器視覺和圖形識別，這幾者之間到底有神馬區別呢？要弄清楚他們哪乙個是哪乙個，有時候也真的是容易混淆的。接下來看看這些術語的具體含義是什麼，以及他們與機械人技術有什麼關聯。讀了這篇文章後，你就再也不會被這些概念弄糊塗了！在這篇文章當中，我們分解了機械人視覺的 族譜 以...